Poolside: Laguna S 2.1 (free)

Poolside Laguna S 2.1 es un modelo de lenguaje de mezcla de expertos diseñado para programación con agentes y trabajo de largo alcance. Tiene 118B de parámetros totales y unos 8B activos por token, lo que lo sitúa entre el Laguna XS 2.1 más pequeño y el Laguna M.1 más grande en la serie del fabricante. El modelo procesa texto y produce texto, código, razonamiento y solicitudes de llamadas a herramientas en una aplicación conectada con herramientas.

Su arquitectura combina atención global y de ventana deslizante en 48 capas: 12 capas globales y 36 de ventana deslizante. La ventana deslizante de 512 tokens describe la atención local dentro de esas capas, mientras que el contexto documentado del modelo es de 1,048,576 tokens. Son medidas diferentes. El contexto más grande permite tareas que acumulan archivos fuente, observaciones y decisiones a lo largo de muchos pasos. Mantén juntos el objetivo de trabajo y la evidencia significativa, y reserva espacio para el razonamiento posterior y la respuesta final dentro de la configuración aplicable.

El propósito central del modelo es el trabajo de software que requiere persistencia, comprobación y revisión. Para una tarea de repositorio, proporciona el comportamiento esperado, los archivos pertinentes como texto, la información de dependencias y la salida real que falla. Pide un resultado acotado: “Rastrea la causa de esta regresión, propone un cambio que conserve la interfaz documentada e identifica las comprobaciones que distinguirían una corrección de un cambio no relacionado”. En un flujo conectado con herramientas, dale al modelo el resultado de cada comprobación ejecutada antes de que elija el siguiente paso.

Para trabajo de optimización, proporciona mediciones y un objetivo explícito. Un ejemplo es: “Usa este perfil y este informe de asignaciones para identificar un cuello de botella. Propón un cambio, explica el efecto esperado y compáralo con la línea base después de repetir la misma medición”. Esto permite inspeccionar una afirmación de rendimiento. La versión de Poolside señala la verificación y el avance continuo como comportamientos importantes, pero una explicación convincente por sí sola no establece que una revisión sea más rápida, correcta o completa. Conserva las observaciones que respalden mantener o rechazar el cambio.

Laguna S 2.1 admite razonamiento intercalado antes de las llamadas a herramientas y entre ellas. El fabricante recomienda conservar el contenido de razonamiento de los mensajes anteriores del asistente en el historial posterior; descartar esos bloques puede hacer que el razonamiento se detenga en los pasos siguientes. Conserva juntos la respuesta del asistente, la información de llamadas a herramientas y el resultado correspondiente. Esto ayuda a que una tarea larga continúe desde su estado real, en lugar de reconstruir repetidamente lo que ya se intentó.

Las opciones de razonamiento documentadas son off y max, con max habilitado de forma predeterminada en la configuración descrita por el fabricante. En ese modo, el modelo determina su presupuesto de razonamiento; la versión no presenta controles de esfuerzo separados low, medium y high. Para programación con agentes, Poolside recomienda habilitar el razonamiento y conservarlo entre pasos. Indica explícitamente el resultado final y los criterios de finalización, y distingue una secuencia larga de razonamiento del resultado completado. El fabricante identifica el exceso de razonamiento, especialmente en matemáticas de competencia, como una limitación importante.

Las definiciones de herramientas necesitan especial cuidado. Poolside reporta que S 2.1 puede apoyarse al principio en una interfaz de herramienta conocida en lugar de seguir de cerca un esquema similar pero diferente. También puede producir JSON mal formado o incorrectamente escapado cuando un argumento de herramienta contiene un arreglo anidado. Proporciona las definiciones reales de los argumentos, valida las llamadas propuestas y devuelve un error preciso cuando la llamada no coincida. El fabricante describe la corrección mediante retroalimentación en contexto como una forma de resolver algunas de estas discrepancias. Mantén disponible la observación resultante de la herramienta para la siguiente decisión.

El fabricante publica variantes separadas BF16 y cuantizadas, así como un modelo de borrador DFlash opcional. Son productos y recetas de servicio distintos, por lo que no se debe asumir el uso de memoria o el rendimiento de decodificación especulativa de un checkpoint cuantizado a partir del nombre general del modelo. Para trabajo de texto ordinario, prepara el código fuente, la salida de comandos y los fragmentos de documentos como texto legible. La versión señala que el modelo carece de capacidad de visión; una captura de pantalla necesita una observación textual o un paso externo de inspección adecuado antes de poder respaldar el análisis.

Solicita un entregable final que identifique el producto modificado, las decisiones importantes, las comprobaciones observadas y cualquier condición sin resolver. Para una revisión de código, vincula los hallazgos con la fuente pertinente y muestra por qué cada problema afecta el comportamiento. Para una reparación, separa el parche propuesto de uno cuyo comportamiento se haya comprobado realmente. Conservar el razonamiento y el historial de herramientas ayuda al modelo a resolver la tarea, mientras que el resultado final y los registros de resultados establecen qué se logró.